分区优化混合SfM方法

针对大规模无序影像稀疏三维重建问题,本文提出一种稳健、高效且易于并行的分区优化的混合式SfM方法。首先,利用SIFT算法进行影像匹配,无须GPS/INS等其他辅助信息,仅利用影像间的匹配结果计算得到的影像关联度完成影像分区。然后,提出一种改进的增量式SfM方法实现每个分区内快速重建,以及提出多项标准自动剔除不可靠分区并将这些分区内影像重新划分至其他分区,实现分区的动态调整。最后,提出一种稳健高精度的分区融合算法,实现相机参数、影像姿态和场景三维信息的准确融合。多组不同规模、不同影像类型以及不同场景的典型数据试验结果表明本文方法对不同数据集具有很好的稳健性,在保持高精度的同时能大大提高重建效率,尤其适用于大规模影像数据集。     

不同特征提取算法对相机运动估计的适用性研究

针对不同特征提取算法对不同传感器平台获取的影像空间相对关系估计的适用性问题,该文以不同来源的影像数据为研究对象进行实验分析。采用基于特征的影像匹配算法SIFT,SURF,ORB对影像进行特征提取和匹配,利用RANSAC算法进行粗差剔除,随后使用归一化的八点法估计基础矩阵,最后采用辛普森距离统计像素均方根误差。结果表明,在不考虑速度的情况下,SIFT算法对于各类影像的相对位置关系估计有较好的精度;ORB算法在速度上有较大优势,检测和匹配的特征点数目最多;SURF算法的速度和精度介于两者之间。